Fondamenti delle basi di dati

Basi di dati relazionali e non relazionali

Relazionale, a documenti, chiave-valore, a colonne, a grafi. Le famiglie differiscono meno in ciò che memorizzano che nelle garanzie che mantengono. Questa lezione le confronta sulle garanzie, non sul marketing.

Base

Obiettivi di apprendimento

  • Enunciare le proprietà distintive del modello relazionale e le garanzie che ne derivano
  • Descrivere le quattro principali famiglie non relazionali e che cosa ottimizza ciascuna
  • Spiegare l'effettiva affermazione del teorema CAP e la sua lettura errata più comune
  • Spiegare la consistenza eventuale e BASE senza slogan
  • Scegliere una famiglia di basi di dati con criteri espliciti e dichiarati

Prerequisiti

  • Introduzione alle basi di dati
  • I DBMS: definizione e funzionalità
  • L'architettura a tre livelli ANSI/SPARC

Introduzione

"Relazionale o NoSQL?" viene di solito posta come una domanda sulla tecnologia, e di solito riceve risposta con uno slogan. È in realtà una domanda su quali garanzie sei disposto a cedere, e non si può rispondere senza nominarle.

Questa lezione ha un solo scopo: rendere il confronto decidibile. Non sostiene che una famiglia sia migliore. Enuncia che cosa garantisce ciascuna, quanto costa, e quale evidenza giustificherebbe la scelta.

Che cosa garantisce davvero il modello relazionale

Il modello relazionale fu proposto da E. F. Codd nel 1970 e poggia su poche idee:

  1. Tutti i dati sono rappresentati come relazioni (tabelle): insiemi di tuple (righe) su un insieme fissato di attributi (colonne) con nome.
  2. Ogni attributo ha un dominio: un insieme di valori ammessi, con un tipo.
  3. Non esiste un ordinamento delle righe, né delle colonne oltre ai loro nomi.
  4. I dati sono accessibili per valore, non per posizione o puntatore.
  5. Un linguaggio di interrogazione dichiarativo (SQL) esprime che cosa recuperare.

Da queste idee derivano le garanzie che rendono il modello durevole:

Garanzia Che cosa significa Resa possibile da
Indipendenza fisica dei dati La memorizzazione può cambiare liberamente Accesso per valore, non per puntatore
Semantica di insieme Nessuna riga duplicata; i risultati sono insiemi, non sequenze Le relazioni sono insiemi
Ottimizzazione dichiarativa Il motore sceglie il piano Il linguaggio dice che cosa, non come
Interrogazioni componibili Il risultato di un'interrogazione è a sua volta una relazione Chiusura dell'algebra relazionale
Vincoli come oggetti di prima classe Chiavi, chiavi esterne, check, domini Uno schema formale con un sistema di tipi
Supporto maturo alle transazioni ACID con isolamento configurabile Decenni di ingegneria sui motori

L'ultima va enunciata con precisione, perché è spesso fraintesa: ACID non è inerente al modello relazionale. È una proprietà dell'implementazione del DBMS. I primi sistemi relazionali avevano un supporto transazionale debole. È vero che il modello relazionale, con il suo schema formale e l'accesso per valore, rende trattabile implementare ACID — e i produttori relazionali hanno avuto cinquant'anni per farlo.

Le quattro famiglie non relazionali

Ciascuna famiglia ottimizza qualcosa che il modello relazionale non ottimizza bene, e lo paga in garanzie.

1. Database a documenti

Esempi: MongoDB, CouchDB, Firestore.

Unità di memorizzazione: un documento — di solito JSON — contenente strutture annidate e array.

Che cosa ottimizza: leggere un aggregato completo in un'unica operazione, ed evolvere lo schema senza migrazioni.

{
  "_id": "prestito-8821",
  "socio": { "codice": "1042", "cognome": "Rossi", "nome": "Anna" },
  "copia": { "inventario": "INV-7731", "titolo": "Il nome della rosa" },
  "dataInizio": "2025-03-01",
  "dataScadenza": "2025-03-31"
}

Che cosa guadagna: una lettura restituisce l'intero prestito con tutto ciò che serve a una schermata. Nessun join. Il modello a oggetti dell'applicazione si mappa direttamente.

Che cosa costa:

  • Lo stesso fatto è memorizzato molte volte. Il nome del socio è in ogni documento di prestito. Cambia il nome e devi aggiornare ogni documento — che è esattamente la ridondanza della lezione 3, reintrodotta deliberatamente.
  • Nessun vincolo fra documenti. "Un prestito deve riferirsi a un socio esistente" non è applicabile dalla base di dati. Diventa una responsabilità dell'applicazione.
  • Le interrogazioni fra aggregati sono deboli. "Totale prestiti per dipartimento" richiede una scansione di tutto o un aggregato mantenuto separatamente.

Un database a documenti è adatto quando l'aggregato è davvero l'unità di lavoro e i campi duplicati sono davvero immutabili (il nome di un prodotto in una fattura storica, per esempio, deve essere congelato).

2. Database chiave-valore

Esempi: Redis, DynamoDB, Riak, Memcached.

Unità di memorizzazione: un valore di tipo opaco, indirizzato da una chiave.

Che cosa ottimizza: accesso a singola chiave estremamente veloce su scala molto grande, e distribuzione orizzontale.

Che cosa costa: nessun linguaggio di interrogazione oltre all'accesso per chiave (nella forma pura), nessun vincolo, nessuna relazione. Ogni modello di accesso va progettato in anticipo, perché il progetto delle chiavi è il progetto delle interrogazioni.

Quando è giusto: cache, stato di sessione, contatori, rate limiting, feature flag — cose accessibili per chiave nota e prive di relazioni.

3. Database a famiglie di colonne

Esempi: Cassandra, HBase, ScyllaDB.

Unità di memorizzazione: righe identificate da una chiave di partizione, con colonne raggruppate in famiglie; ogni riga può avere colonne diverse.

Che cosa ottimizza: throughput di scrittura molto alto e scalabilità orizzontale lineare su molti nodi, con i dati distribuiti per chiave di partizione.

Che cosa costa: il modello dei dati si progetta a partire dalle interrogazioni, all'indietro — decidi chiave di partizione e ordinamento in base alle letture che ti servono. Aggiungere un'interrogazione non prevista spesso significa una nuova tabella che duplica i dati. Le transazioni sono limitate o assenti.

Quando è giusto: dati di serie temporali ed eventi, telemetria, scritture ad altissimo volume con modelli di accesso noti e stabili.

4. Database a grafi

Esempi: Neo4j, Amazon Neptune, ArangoDB.

Unità di memorizzazione: nodi e archi, entrambi con proprietà.

Che cosa ottimizza: le traversate — "amici di amici", "cammino minimo", "tutti i componenti che dipendono da questo", "quali corsi vanno superati prima di questo".

Che cosa costa: supporto più debole per l'aggregazione su larga scala di tutti i dati, e un linguaggio di interrogazione (Cypher, Gremlin, SPARQL) da imparare.

Quando è giusto: la domanda centrale del dominio è una traversata di profondità variabile. Nota che una base di dati relazionale può memorizzare un grafo perfettamente bene; ciò che non può fare efficientemente è attraversarlo a profondità arbitraria, perché ogni salto è un join.

Riepilogo delle famiglie

Famiglia Ottimizza Cede Uso tipico
Relazionale Correttezza, interrogazioni ad hoc, integrità Scalabilità orizzontale facile; schema rigido Sistemi transazionali, tutto ciò che riguarda denaro
Documenti Letture di aggregati, evoluzione dello schema Integrità fra aggregati, fonte unica del fatto Contenuti, cataloghi, stato applicativo
Chiave-valore Latenza su scala Tutto tranne l'accesso per chiave Cache, sessioni, contatori
Famiglie di colonne Throughput di scrittura, distribuzione Interrogazioni ad hoc, transazioni Telemetria, eventi, log
Grafi Traversate profonde Aggregazione massiva Social, raccomandazioni, dipendenze

Il teorema CAP, enunciato correttamente

Quasi ogni discussione sull'argomento invoca CAP, e quasi ogni invocazione è sbagliata. Il teorema (Brewer, 2000; Gilbert e Lynch, 2002) afferma:

CAP

In presenza di una partizione di rete (P) — alcuni nodi non riescono a comunicare con altri — un sistema distribuito deve scegliere fra consistenza (C, ogni lettura vede l'ultima scrittura) e disponibilità (A, ogni richiesta riceve una risposta non di errore). Non può avere entrambe.

Che cosa non dice:

  • Non dice "scegli due su tre". P non è opzionale: le partizioni accadono in ogni rete reale. La scelta vera è C o A quando avviene una partizione.
  • Non si applica a un sistema a nodo singolo, che non ha partizioni in cui trovarsi.
  • La "consistenza" di CAP è la linearizzabilità, una proprietà molto più forte della C di ACID. La maggior parte dei sistemi che la gente chiama "CP" non è linearizzabile nel senso di CAP.
  • Non dice nulla sulla latenza. Lo scambio pratico e quotidiano nei sistemi distribuiti è fra consistenza e latenza, non disponibilità — è la sostanza di PACELC (Abadi, 2012): se c'è una Partizione, scegli A o C; altrimenti (Else), scegli Latenza o Consistenza.

Consistenza eventuale e BASE

Consistenza eventuale

Un sistema è eventualmente consistente se, in assenza di nuove scritture, tutte le repliche prima o poi convergeranno allo stesso valore. Non dice quando, e non dice che cosa restituisce una lettura nel frattempo.

BASE — Basically Available, Soft state, Eventual consistency — fu proposto come opposto di ACID. Leggiamolo con attenzione:

  • Basically available: il sistema risponde, eventualmente con dati obsoleti o parziali.
  • Soft state: lo stato può cambiare senza nuovi input, perché le repliche stanno convergendo.
  • Eventual consistency: come definita sopra.

La parola "prima o poi" porta tutto il rischio. Si consideri una biblioteca in cui la sospensione di un socio viene scritta su una replica e letta da un'altra:

Istante Replica A Replica B Conseguenza
t₀ socio sospeso socio attivo Viene concesso un prestito che andava rifiutato
t₀ + 200 ms socio sospeso socio sospeso Convergenza avvenuta — il prestito sbagliato esiste già

Il sistema è corretto secondo la propria definizione. L'azienda no. La consistenza eventuale è una scelta su quali errori accetti, e la scelta devono farla le persone che ne subiscono le conseguenze — non il team a cui piace una libreria.

Scegliere: criteri espliciti

Una scelta difendibile nomina i propri criteri prima di confrontare i prodotti.

Domanda Se sì → Se no →
La correttezza di denaro, inventario o sicurezza è critica? Relazionale, con transazioni Qualunque famiglia può essere praticabile
Servono interrogazioni ad hoc che non sai prevedere? Relazionale Una famiglia specializzata
Il modello di accesso è noto, stabile e basato su chiave? Chiave-valore o famiglie di colonne Relazionale
L'unità naturale di lettura è un intero aggregato? Documenti Relazionale
La domanda centrale è una traversata a profondità variabile? Grafi Relazionale
Devi scalare le scritture oltre una macchina dal primo giorno? Famiglie di colonne / relazionale shardizzato Relazionale
Il team è in grado di gestire un sistema distribuito? Distribuito Relazionale (un nodo singolo ben gestito batte un cluster mal gestito)
Hai requisiti legali di conservazione/cancellazione per singolo record? Relazionale, o uno store con semantica documentata Qualunque

Due criteri meritano enfasi perché di solito vengono omessi:

Competenza operativa. Una base di dati distribuita con cinque nodi e consistenza eventuale richiede monitoraggio, gestione dei conflitti e procedure operative. Un'istanza relazionale singola con un backup e un indice è un problema risolto. Scegliere il sistema più difficile senza la competenza per gestirlo è una causa di disservizi molto più comune della scelta del "modello di dati sbagliato".

Costo totale di proprietà su dieci anni. Il vantaggio dell'ecosistema relazionale non è la velocità grezza; è la strumentazione accumulata: migrazioni, backup, replica, monitoraggio, ORM, reportistica, competenze SQL, e il fatto che un nuovo assunto la conosce già.

Advanced

Scegli e difendi la scelta

Per ciascuno scenario scegli una famiglia di basi di dati, indica i due criteri che guidano la scelta e nomina una cosa a cui rinunci.

  1. Il sistema di prestiti e prenotazioni di una biblioteca: 40 postazioni, 5 000 prestiti al giorno, una sanzione non deve mai andare persa.
  2. Uno store di sessioni per un'applicazione web: 200 000 sessioni attive, scadenza a 5 minuti.
  3. Un catalogo prodotti per un negozio online: 300 000 prodotti con attributi diversi per categoria, letti molto più di quanto siano scritti.
  4. Una pipeline di telemetria: 80 000 letture di sensori al secondo, interrogate per dispositivo e intervallo temporale.
  5. Una funzione "chi conosce chi" in un social professionale, con domande del tipo "colleghi di colleghi che lavorano in questo settore".
  6. Un sistema di propedeuticità dei corsi per un'università: "quali corsi sono raggiungibili da questo, e in quale ordine".
  7. Un registro di audit per una banca: append-only, mai modificabile, interrogabile su richiesta dell'autorità di vigilanza.
  8. Una classifica in tempo reale per un gioco: 2 milioni di giocatori, aggiornata continuamente, primi 100 visualizzati.
Mostra la soluzione commentata

1. Relazionale. Criteri: correttezza critica per il denaro (una sanzione non deve andare persa → durabilità e atomicità ACID) e interrogazioni ad hoc imprevedibili (la biblioteca farà domande nuove ogni anno). Si rinuncia: alla scalabilità orizzontale facile, irrilevante a 5 000 prestiti al giorno. Un'unica istanza ben gestita con backup e binary log copre il caso per un decennio.

2. Chiave-valore. Criteri: accesso strettamente per chiave nota e latenza su scala con scadenza economica. Si rinuncia: alla possibilità di interrogare — "quante sessioni sono attive?" può essere impossibile o costoso. Nota che i dati di sessione sono usa-e-getta per progetto, ed è esattamente questo che rende accettabile la perdita di garanzie.

3. Documenti — con un'avvertenza. Criteri: l'unità di lettura è l'intero prodotto e gli attributi variano per categoria (uno schema che in SQL richiederebbe molte colonne nullable o una tabella EAV). Si rinuncia: all'integrità fra prodotti e alla reportistica facile ("tutti i prodotti con l'attributo X"), a meno che gli indici dello store non siano progettati per questo. L'avvertenza: prezzi e giacenze devono restare nel sistema transazionale, perché riguardano denaro; il documento di catalogo è un modello di lettura derivato.

4. Famiglie di colonne. Criteri: throughput di scrittura oltre un singolo nodo e modello di accesso noto e stabile (per dispositivo, per intervallo temporale). Si rinuncia: alle interrogazioni ad hoc e alle transazioni multi-riga. Nota che la scelta della chiave di partizione — dispositivo, o intervallo temporale, o una combinazione — determina tutto e non è facilmente modificabile dopo.

5. Grafi. Criterio: la domanda centrale è una traversata a profondità variabile ("colleghi di colleghi"). Si rinuncia: all'aggregazione massiva efficiente su tutti i membri. Una base di dati relazionale potrebbe memorizzare gli stessi archi; ciò che non può fare a basso costo è attraversarli a profondità non limitata, perché ogni salto è un join.

6. Grafi, oppure relazionale con interrogazione ricorsiva. La risposta onesta è che entrambi funzionano: SQL ha le espressioni di tabella comuni ricorsive (WITH RECURSIVE), che gestiscono bene le catene di propedeuticità quando la profondità è moderata e il grafo è piccolo. Scegli il database a grafi solo se le traversate dominano il carico e il grafo è grande. Si rinuncia con il grafo: a una seconda tecnologia e a un secondo linguaggio di interrogazione per un insieme di dati piccolo. Questo scenario ricorda che "a forma di grafo" non significa automaticamente "serve un database a grafi".

7. Relazionale, con un progetto append-only. Criteri: correttezza normativa e interrogabilità e immutabilità. Si rinuncia: a nulla di importante. Il progetto giusto è una tabella senza privilegi UPDATE/DELETE per l'utente applicativo, una politica di solo INSERT, ed eventualmente una catena di hash o una memorizzazione write-once sotto. Nota che "append-only" è una decisione di progetto, non una categoria di prodotto — una base di dati relazionale lo fa perfettamente.

8. Chiave-valore o uno store in memoria specializzato. Criteri: accesso per chiave nota con interrogazione ordinata top-N e altissimo tasso di scrittura. Si rinuncia: alle garanzie di durabilità, di solito (molte classifiche possono essere perse al riavvio). Se perdere la classifica è accettabile, lo stile Redis è ideale; se non lo è, una tabella relazionale con un indice sul punteggio è più semplice e sicura.

Che cosa insegna questo esercizio. In otto scenari il modello relazionale è una risposta difendibile in cinque, e la scelta "moderna" in tre — e in ciascuno di quei tre il fattore decisivo è stato un modello di accesso specifico o una scala specifica, non una preferenza. Gli scenari in cui si sceglie male sono quasi sempre il 6 (a forma di grafo ma piccolo) e l'8 (scrittura intensa ma piccolo). Decidono scala e forma; non decide la moda.

Errori comuni

  • "NoSQL è più veloce." Uno store chiave-valore risponde a una ricerca per chiave più velocemente di un motore relazionale, e non sa rispondere affatto a un join. "Più veloce" senza un carico di lavoro è privo di significato.
  • "Le basi di dati relazionali non scalano." Scalano verticalmente molto in alto e orizzontalmente con repliche di lettura e sharding. Ogni grande banca e compagnia aerea gira su relazionale. Ciò che non fanno facilmente è lo sharding in scrittura su centinaia di nodi.
  • "Schemaless significa senza schema." Un database a documenti ha uno schema: vive nel codice dell'applicazione e nella forma dei documenti esistenti. La differenza è che non è applicato, quindi va alla deriva.
  • "CAP dice: scegli due su tre." P non è opzionale. La scelta è C o A durante una partizione.
  • "La consistenza eventuale va bene, i conflitti li gestiremo dopo." I conflitti sono decisioni aziendali. "Dopo" significa "in produzione, con denaro vero".
  • "Ci serve un database a grafi perché i nostri dati sono un grafo." Quasi tutti i dati sono un grafo. La domanda è se la traversata è l'operazione dominante.
  • Il modello relazionale rappresenta tutti i dati come relazioni su domini tipizzati, accessibili per valore, interrogabili dichiarativamente. Ne derivano indipendenza fisica, semantica di insieme, interrogazioni componibili, vincoli di prima classe e ACID trattabile.
  • Gli store a documenti, chiave-valore, a famiglie di colonne e a grafi ottimizzano ciascuno una cosa — letture di aggregati, latenza per chiave, throughput di scrittura, traversate — e cedono integrità fra aggregati, interrogazioni ad hoc o transazioni.
  • CAP riguarda la scelta fra consistenza e disponibilità durante una partizione di rete. Non è "scegli due su tre" e non dice nulla sulla latenza.
  • La consistenza eventuale promette convergenza, non un limite temporale. Sceglierla è scegliere quali errori l'azienda accetta.
  • Una scelta difendibile nomina i propri criteri: criticità della correttezza, prevedibilità delle interrogazioni, stabilità del modello di accesso, profondità delle traversate, scala e soprattutto competenza operativa.
  • La persistenza poliglotta è normale; la disciplina che la tiene al sicuro è nominare un sistema di riferimento per ciascun fatto e trattare ogni altra copia come derivata.

Domande di verifica

  1. Perché "relazionale" non significa "ha relazioni", e che cosa significa?
  2. Quale garanzia del modello relazionale rende possibile l'indipendenza fisica dei dati, e perché?
  3. Enuncia il teorema CAP con precisione, poi spiega che cosa sbaglia la versione popolare "scegli due su tre".
  4. Un database a documenti conserva il nome del socio dentro ogni documento di prestito. Quale problema della lezione 3 reintroduce, e quando è accettabile?
  5. Fornisci uno scenario a forma di grafo per il quale una base di dati relazionale resta la scelta migliore, e spiega perché.
Mostra le risposte
  1. Si riferisce alle relazioni in senso matematico: insiemi di tuple su attributi con nome. Ogni famiglia di basi di dati memorizza relazioni fra cose; solo quella relazionale prende il nome dalle relazioni. "Relazionale = ha chiavi esterne" rende il termine privo di significato.

  2. L'accesso per valore, non per posizione o puntatore. Poiché un'interrogazione nomina colonne e condizioni invece di offset di file, la disposizione di memorizzazione può cambiare senza toccare l'interrogazione — la corrispondenza logico/fisico assorbe il cambiamento.

  3. Precisamente: in presenza di una partizione di rete, un sistema distribuito deve sacrificare, per i dati coinvolti, o la linearizzabilità o la disponibilità. La versione popolare sbaglia perché P non è una scelta — le partizioni accadono in ogni rete — quindi la scelta vera è C o A quando avviene una partizione. Inoltre non dice nulla sulla latenza, che è lo scambio che i sistemi fanno ogni giorno (PACELC).

  4. Reintroduce la ridondanza incontrollata, e quindi la possibilità di inconsistenza: il nome può differire fra i documenti e il record principale. È accettabile quando il valore duplicato è davvero immutabile in quel contesto — il nome del socio come era alla data del prestito è un fatto storico che non deve cambiare, e allora il documento non è una copia del nome corrente ma la registrazione di uno passato. La distinzione fra "copia" e "fatto storico" è l'intera decisione.

  5. Il grafo delle propedeuticità di un'università con 3 000 corsi. È a forma di grafo, eppure una base di dati relazionale con una tabella prerequisito(corso, corsoRichiesto) e una CTE ricorsiva risponde correttamente ed efficientemente a "quali corsi sono raggiungibili", mantenendo le stesse transazioni, gli stessi vincoli e le stesse procedure di backup del resto del sistema universitario. Un database a grafi separato aggiungerebbe una tecnologia, un linguaggio di interrogazione e un problema di sincronizzazione per un insieme di dati che sta in memoria. Sono profondità e volume delle traversate, non la forma, a giustificare la famiglia a grafi.

Dove andare adesso

Lezioni correlate